3. AWB算法框架：统计模块、估计模块、校正模块、增益应用模块的架构图

自动白平衡（AWB）算法是ISP（图像信号处理器）中实现色彩恒常性的核心环节。一个完整的AWB算法通常由四个功能模块串联而成：统计模块、估计模块、校正模块和增益应用模块。理解这一架构是进行白平衡参数调试与色温偏差分析的基础。

3.1 模块架构总览

下图展示了AWB算法四个模块的串联关系与数据流向。原始Bayer数据经过统计模块处理后，依次进入估计、校正和增益应用模块，最终输出白平衡校正后的图像数据。

3.2 统计模块：特征提取

统计模块是AWB算法的数据入口，负责从原始图像数据中提取用于色温估计的统计特征。该模块的输出质量直接影响后续估计的准确性。

3.3 估计模块：色温推断

估计模块是AWB算法的“大脑”，它根据统计模块提供的特征数据，结合预设的光源模型或色温曲线，推断出当前场景的色温值。常见的估计方法包括：

• 灰度世界法（Gray World）： 假设场景中所有颜色的平均值为灰色，通过R/G/B通道均值之比估计色温。
• 完美反射法（Perfect Reflector）： 假设场景中最亮的像素为白色，通过最亮像素的色比估计色温。
• 色温曲线法（Color Temperature Curve）： 在R/G vs B/G色比空间中预定义一条色温曲线，将统计点映射到曲线上得到色温。
• 机器学习法： 使用训练好的模型（如SVM、神经网络）直接预测色温。

3.4 校正模块：增益计算

校正模块接收估计模块输出的色温值（或色比目标值），计算每个通道所需的校正增益。校正的目标是使图像中白色物体的R/G/B通道响应达到平衡。

增益计算的基本公式如下：

// 假设目标色温下白点的R/G/B通道值应满足 R=G=B
// 当前统计得到的白点平均值为 R_avg, G_avg, B_avg
// 计算增益
Gain_R = G_avg / R_avg
Gain_G = 1.0  // 绿色通道通常作为参考通道
Gain_B = G_avg / B_avg

// 最终校正增益
R_gain = Gain_R * global_gain
G_gain = Gain_G * global_gain
B_gain = Gain_B * global_gain

3.5 增益应用模块：校正执行

增益应用模块是AWB算法的最后一环，它将校正模块计算出的R/G/B增益值应用到原始图像数据上。增益应用通常在Bayer域或RGB域进行。

3.6 模块间协同与调试案例

在实际ISP调试中，四个模块并非独立工作，而是需要协同调整。以下是一个典型的调试案例，展示模块间参数联动对最终白平衡效果的影响。

下表总结了各模块的常见调试参数及其对最终白平衡的影响：